数学基础

掌握线性代数、微积分和概率论的核心概念，是理解大模型原理的基石。没有数学直觉，你只能把模型当黑盒；有了数学直觉，你才能理解为什么这样设计、如何改进。

在大模型体系中的位置

数学基础 ◄── 你在这里
  ├── 线性代数 → Attention 的矩阵运算、LoRA 低秩分解
  ├── 微积分   → 反向传播、梯度下降、优化器设计
  └── 概率论   → Softmax、交叉熵损失、采样策略、KL 散度

数学是贯穿整个 LLM 学习路径的底层语言。Transformer 里的每一步计算——Query/Key 内积、Softmax 归一化、残差连接、LayerNorm——都可以用这三个数学分支来解释。

---

线性代数

向量与矩阵运算

神经网络的本质操作是矩阵乘法。一个全连接层 $y=Wx+b$ 就是一次线性变换。

几何直觉：矩阵乘法 = 线性变换

矩阵 $W$ 将输入向量 $x$ 映射到新的空间。旋转、缩放、投影都是线性变换的特例。Transformer 中的 $W_Q,W_K,W_V$ 矩阵就是把输入投影到 Query、Key、Value 三个不同的子空间。

$$Q=X{W}_Q,K=X{W}_K,V=X{W}_V$$

维度对齐的重要性： 矩阵 $A\in {\mathbb{R}}^{m\times n}$ 和 $B\in {\mathbb{R}}^{n\times p}$ 相乘，要求 $A$ 的列数等于 $B$ 的行数，结果为 ${\mathbb{R}}^{m\times p}$。写代码时 shape 不匹配是最常见的 bug。

特征值与特征向量

对于方阵 $A$，如果存在非零向量 $v$ 和标量 $\lambda$ 使得：

$$Av=\lambda v$$

则 $v$ 是特征向量，$\lambda$ 是特征值。特征向量是矩阵变换中"方向不变"的向量，特征值表示在该方向上的缩放因子。

SVD 分解： 任意矩阵 $M$ 可以分解为：

$$M=U\mathrm{\Sigma }{V}^T$$

其中 $U,V$ 是正交矩阵，$\mathrm{\Sigma }$ 是对角矩阵，对角元素为奇异值（按降序排列）。

矩阵的秩与 LoRA 的关系

矩阵的秩（rank）是其线性无关行（或列）的最大数量。一个 $m\times n$ 的矩阵，秩最大为 $min(m,n)$。

LoRA 的核心思想： 预训练模型的权重更新矩阵 $\mathrm{\Delta }W$ 是低秩的。与其更新完整的 $d\times d$ 矩阵，不如将其分解为两个小矩阵的乘积：

$$\mathrm{\Delta }W=BA,B\in {\mathbb{R}}^{d\times r},A\in {\mathbb{R}}^{r\times d},r\ll d$$

参数量从 $d^2$ 降低到 $2dr$。当 $d=4096,r=16$ 时，参数量减少到原来的 $\frac{2\times 16}{4096}\approx 0.78\mathrm{\%}$。

广播机制

NumPy/PyTorch 的广播（broadcasting）规则在实际编程中无处不在：

规则： 从最右维度开始对齐，每个维度要么相等，要么其中一个为 1。

import torch

# shape: [2, 3] + [3] -> [2, 3] + [1, 3] -> [2, 3]
A = torch.randn(2, 3)
b = torch.randn(3)
result = A + b  # b 自动广播到 [2, 3]

# Attention 中的 mask 广播
# scores: [batch, heads, seq_len, seq_len]
# mask:   [1, 1, seq_len, seq_len]  -> 广播到 4 维

---

微积分

导数与梯度

标量函数 $f(x)$ 的导数 $f^{\prime }(x)$ 表示函数在 $x$ 处的变化率。对于多元函数 $f(x_1,x_2,\dots ,x_n)$，梯度是所有偏导数构成的向量：

$$\mathrm{\nabla }f=(\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},\dots ,\frac{\partial f}{\partial x_n})$$

梯度指向函数值增长最快的方向。梯度下降的核心思想：沿着梯度的反方向更新参数，使损失减小。

链式法则

复合函数 $f(g(x))$ 的导数：

$$\frac{df}{dx}=\frac{df}{dg}\cdot \frac{dg}{dx}$$

这是反向传播的数学基础。神经网络是多层复合函数的嵌套，链式法则让我们能从输出层逐层计算梯度回传到输入层。

雅可比矩阵

当函数的输入和输出都是向量时，导数变成雅可比矩阵（Jacobian Matrix）：

$$J=\left[\begin{array}{ccc}\frac{\partial f_1}{\partial x_1}& \cdots & \frac{\partial f_1}{\partial x_n}\\ ⋮& \ddots & ⋮\\ \frac{\partial f_m}{\partial x_1}& \cdots & \frac{\partial f_m}{\partial x_n}\end{array}\right]$$

Softmax 的雅可比矩阵就是后面推导交叉熵梯度的关键。

梯度消失与梯度爆炸

用具体数字说明： 假设一个 50 层的网络，每层的梯度乘以一个系数 $\alpha$：

• 若 $\alpha =0.9$：经过 50 层后梯度变为 ${0.9}^{50}\approx 0.005$（消失）
• 若 $\alpha =1.1$：经过 50 层后梯度变为 ${1.1}^{50}\approx 117$（爆炸）

这就是深层网络训练困难的根源。解决方案包括：

• 残差连接（ResNet / Transformer）：梯度可以跳过层直接回传
• 梯度裁剪：限制梯度的最大范数
• 适当的初始化：Xavier / He 初始化

---

概率与信息论

概率分布

离散概率分布： 骰子的每个面出现的概率 $P(X=i)=\frac{1}{6}$

连续概率分布： 高斯分布 $P(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$

在 LLM 中，模型输出的 logits 经过 Softmax 后变成离散概率分布——每个 token 被选中的概率：

$$P({\text{token}}_i|\text{context})=\text{softmax}(z_i)=\frac{e^{z_i}}{\sum _j{e}^{z_j}}$$

信息量与熵

自信息（Self-information）： 一个事件的信息量与其概率成反比：

$$I(x)=-\log P(x)$$

直觉：越罕见的事件，信息量越大。"太阳从东方升起"信息量低；"太阳从西方升起"信息量极高。

熵（Entropy）： 一个分布的平均信息量，衡量不确定性：

$$H(P)=-\sum _{i}P(x_i)\log P(x_i)$$

均匀分布的熵最大（最不确定）；确定性分布的熵为 0。

交叉熵

交叉熵衡量用分布 $Q$ 来编码真实分布 $P$ 的平均信息量：

$$H(P,Q)=-\sum _{i}P(x_i)\log Q(x_i)$$

为什么交叉熵是 LLM 训练的损失函数？ 在分类任务中，真实分布 $P$ 是 one-hot 向量（只有正确类别为 1），$Q$ 是模型预测的概率分布。此时交叉熵简化为：

$$H(P,Q)=-\log Q(\text{正确类别})$$

这就是负对数似然（Negative Log-Likelihood）。

以下代码演示了交叉熵的直觉和计算：

import torch
import torch.nn.functional as F

# 从零实现交叉熵
def cross_entropy(p, q):
    """p 和 q 都是相同维度的概率分布"""
    return (-p * torch.log(q)).sum()

# 预测不准确时，交叉熵较大
q = torch.tensor([0.3, 0.5, 0.2])  # 预测分布
p = torch.tensor([0.0, 1.0, 0.0])  # 真实分布（类别 1）
print(cross_entropy(p, q))  # tensor(0.6931)

# 预测较准确时，交叉熵较小
q = torch.tensor([0.05, 0.9, 0.05])
print(cross_entropy(p, q))  # tensor(0.1054)

在分类任务中，可以进一步简化——只需要计算正确类别的负对数概率：

# 批量版本，仿 PyTorch 实现
def cross_entropy_with_batch_logits(label, logits):
    """
    label size : [bs]
    logits size: [bs, classes]
    """
    bs, _ = logits.shape
    prob = F.softmax(logits, dim=-1)
    idx = torch.arange(0, bs)
    logprob = prob[idx, label].log()
    CE_loss = -logprob.mean()
    return CE_loss

# 验证与 PyTorch 一致
loss_fn = torch.nn.CrossEntropyLoss()
logits = torch.randn(4, 10)
label = torch.randint(high=10, size=(4,))
print(cross_entropy_with_batch_logits(label, logits))
print(loss_fn(logits, label))  # 结果一致

KL 散度

KL 散度衡量两个分布之间的"距离"（非对称的）：

$$D_{KL}(P\parallel Q)=\sum _{i}P(x_i)\log \frac{P(x_i)}{Q(x_i)}=H(P,Q)-H(P)$$

在 RLHF/GRPO 中的应用： KL 散度被用作惩罚项，防止 RL 微调后的策略模型 ${\pi }_{\theta }$ 偏离参考模型 ${\pi }_{\text{ref}}$ 太远：

$$\mathcal{L}={\mathcal{L}}_{\text{reward}}+\beta \cdot D_{KL}({\pi }_{\theta }\parallel {\pi }_{\text{ref}})$$

注意 KL 散度的不对称性： $D_{KL}(P\parallel Q)\ne D_{KL}(Q\parallel P)$。前向 KL 倾向于覆盖 $P$ 的所有模式（mode-covering），反向 KL 倾向于集中在 $P$ 的某个模式（mode-seeking）。DPO 中选择哪种方向的 KL 会影响训练效果。

最大似然估计

给定数据集 $\{x_1,x_2,\dots ,x_N\}$，最大似然估计（MLE）寻找使数据出现概率最大的参数 $\theta$：

$${\theta }^{\ast }=\arg \underset{\theta }{max}\prod _{i=1}^{N}P(x_i|\theta )=\arg \underset{\theta }{max}\sum _{i=1}^N\log P(x_i|\theta )$$

LLM 的预训练目标——Next-Token Prediction——本质就是最大似然估计：

$$\mathcal{L}=-\sum _{t=1}^T\log P(x_t|x_1,\dots ,x_{t-1};\theta )$$

最大化每个位置预测正确 token 的概率之和，等价于最小化交叉熵损失。

---

Softmax 函数

数学定义与直觉

Softmax 将任意实数向量（logits）转换为概率分布：

$$\text{softmax}(z_i)=\frac{e^{z_i}}{\sum _{j=1}^K{e}^{z_j}}$$

直觉： 指数函数将大的 logit 值放大、小的压缩，然后归一化使得所有输出之和为 1。温度参数 $T$ 控制分布的"尖锐度"：

$$\text{softmax}(z_i;T)=\frac{e^{z_i/T}}{\sum _j{e}^{z_j/T}}$$

• $T\to 0$：分布趋近 one-hot（贪心采样）
• $T\to \mathrm{\infty }$：分布趋近均匀分布（完全随机）

数值稳定性问题

Overflow 问题： 当 logit 值很大时（如 10000），$e^{10000}$ 会溢出为 inf。

Safe Softmax 解决方案： 减去最大值不改变结果：

$$\text{softmax}(z_i)=\frac{e^{z_i-c}}{\sum _j{e}^{z_j-c}},c=\underset{j}{max}{z}_j$$

以下是数值稳定的 Softmax 实现：

import torch

def SoftMax(logits):
    """Safe Softmax 实现"""
    logits_max, _ = logits.max(dim=-1)
    logits = logits - logits_max.unsqueeze(1)  # 减去最大值
    logits = logits.exp()
    logits_sum = logits.sum(-1, keepdim=True)
    prob = logits / logits_sum
    return prob

# 正常情况下没有问题
logits = torch.randn(8, 10)
prob = SoftMax(logits)
print(prob[0].sum())  # tensor(1.)

LogSoftmax 解决 log(softmax) 的溢出： 当我们需要 $\log P$（最大似然估计中必须的），先 softmax 再 log 可能产生 -inf：

# softmax 后再 log，数值不稳定
logits = torch.tensor([[10, 2, 10000, 4]], dtype=torch.float32)
prob = SoftMax(logits)
print(prob.log())  # tensor([[-inf, -inf, 0., -inf]])  ← 出现 -inf！

# LogSoftmax 直接计算，数值稳定
# log_softmax(x_i) = x_i - c - log(sum(exp(x_j - c)))
print(torch.nn.functional.log_softmax(logits, dim=-1))
# tensor([[-9990., -9998., 0., -9996.]])  ← 正确结果

def LogSoftMax(logits):
    """数值稳定的 LogSoftmax"""
    logits_max, _ = logits.max(dim=-1)
    safe_logits = logits - logits_max.unsqueeze(1)
    safe_logits_exp = safe_logits.exp()
    safe_logits_sum = safe_logits_exp.sum(-1, keepdim=True)
    log_logits_sum = safe_logits_sum.log()
    log_probs = safe_logits - log_logits_sum
    return log_probs

$$\text{log\_softmax}(x_i)=x_i-c-\log \sum _{j=1}^d{e}^{x_j-c}$$

这就是为什么 PyTorch 的 CrossEntropyLoss 接收 logits 而不是概率——内部使用 log_softmax 直接计算，避免数值溢出，同时减少计算量。

---

苏格拉底时刻

在继续之前，试着回答以下问题来检验你的理解深度：

1. 为什么 Transformer 中 Q、K、V 的计算本质上是线性变换？如果去掉这些投影矩阵会发生什么？
2. 链式法则在反向传播中具体是如何工作的？当网络层数很深时，梯度可能出现什么问题？
3. 交叉熵损失函数的概率意义是什么？为什么语言模型不用均方误差（MSE）作为损失函数？
4. KL 散度不满足对称性，这在实际训练（如 RLHF 中的 KL 惩罚）中意味着什么？
5. SVD 与 LoRA 低秩适配之间有什么联系？
6. 为什么 CrossEntropyLoss 要求传入 logits 而非概率？（提示：数值稳定性 + 计算效率）
7. Temperature 参数如何影响 Softmax 的输出分布？$T=0.1$ 和 $T=10$ 分别产生什么效果？

---

推荐资源

• 3Blue1Brown 线性代数的本质 - 直观可视化，强烈推荐从这里开始
• Mathematics for Machine Learning - 系统化教材
• The Matrix Calculus You Need For Deep Learning - 深度学习专用微积分
• StatQuest - 概率统计可视化讲解
• Information Theory, Inference, and Learning Algorithms - David MacKay 经典信息论教材